Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment

要約

私たちは、日常的なMRIを使用した前立腺がん（PCA）リスク層別化のための完全に自動化された、解剖学的に導かれた深い学習パイプラインを提示します。
パイプラインには、3つの重要なコンポーネントが統合されています。軸方向T2強調MRI上の前立腺とそのゾーンをセグメント化するためのNNU-NETモジュール。
オプションの解剖学的前層と臨床データを備えた3Dパッチで微調整されたUMEDPT SWIN Transformer Foundationモデルに基づく分類モジュール。
意思決定運転画像領域をローカライズする反事実的ヒートマップを生成するためのVae-Ganフレームワーク。
このシステムは、セグメンテーションのために1,500 PI-CAIケースを使用して開発され、分類のためにChaimeleon Challengeのメタデータを使用した617個のビパラメトリックMRIを使用して開発されました（70％のトレーニング、10％の検証、20％のテストに分割）。
セグメンテーションは、0.95（腺）、0.94（末梢ゾーン）、および0.92（遷移ゾーン）の平均DICEスコアを達成しました。
腺前輪を組み込むと、AUCが0.69から0.72に改善され、3つのスケールのアンサンブルがトップパフォーマンスを達成し（AUC = 0.79、複合スコア= 0.76）、2024 Chaimeleon Challengeの勝者を上回りました。
反事実的なヒートマップは、セグメント化された領域内の病変を確実に強調し、モデルの解釈性を高めました。
20人の臨床医を対象とした前向きのマルチセンター内試験では、AI支援により、診断精度が0.72から0.77に、コーエンのカッパは0.43から0.53に増加し、症例あたりのレビュー時間を40％削減しました。
これらの結果は、反事実的な説明可能性を備えた解剖学を意識した基礎モデルが、正確で解釈可能な効率的なPCAリスク評価を可能にし、臨床診療における仮想生検としての潜在的な使用をサポートすることを示しています。

要約(オリジナル)

We present a fully automated, anatomically guided deep learning pipeline for prostate cancer (PCa) risk stratification using routine MRI. The pipeline integrates three key components: an nnU-Net module for segmenting the prostate gland and its zones on axial T2-weighted MRI; a classification module based on the UMedPT Swin Transformer foundation model, fine-tuned on 3D patches with optional anatomical priors and clinical data; and a VAE-GAN framework for generating counterfactual heatmaps that localize decision-driving image regions. The system was developed using 1,500 PI-CAI cases for segmentation and 617 biparametric MRIs with metadata from the CHAIMELEON challenge for classification (split into 70% training, 10% validation, and 20% testing). Segmentation achieved mean Dice scores of 0.95 (gland), 0.94 (peripheral zone), and 0.92 (transition zone). Incorporating gland priors improved AUC from 0.69 to 0.72, with a three-scale ensemble achieving top performance (AUC = 0.79, composite score = 0.76), outperforming the 2024 CHAIMELEON challenge winners. Counterfactual heatmaps reliably highlighted lesions within segmented regions, enhancing model interpretability. In a prospective multi-center in-silico trial with 20 clinicians, AI assistance increased diagnostic accuracy from 0.72 to 0.77 and Cohen’s kappa from 0.43 to 0.53, while reducing review time per case by 40%. These results demonstrate that anatomy-aware foundation models with counterfactual explainability can enable accurate, interpretable, and efficient PCa risk assessment, supporting their potential use as virtual biopsies in clinical practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google